Der wahre Grund AI dauert nicht jederzeit bald vorbei

Künstliche Intelligenz hat vor kurzem seinen Anteil an Höhen und tiefen hatte. Ein System schlagen in was allgemein als ein wichtiger Meilenstein für künstliche Intelligenz (AI) galt einen ehemaliger Weltmeister auf ein darin komplizierte Brettspiel. Aber dann nur eine Woche später, ein "Chatbot", die entworfen wurde, von seinen Interaktionen mit Menschen auf Twitter zu lernen hatte eine sehr öffentliche rassistische Kernschmelze auf der social-Networking-Site.

Wie konnte das passieren, und was bedeutet es für den dynamischen Bereich der KI?

Anfang März ein Google gefertigte künstliche Intelligenzsystem schlagen ehemalige Weltmeister Lee Sedol vier, jeweils ein altes chinesisches Spiel Spiele bezeichnet, gehen, das gilt viel komplexer als Schach, diente früher als Maßstab zur Bewertung des Fortschritts in maschineller Intelligenz. Vor der Google AI Triumph dachte die meisten Experten, dass es Jahrzehnte dauern würde, bevor eine Maschine Mensch Top-Rankings bei Go schlagen könnte. [Super-intelligenten Maschinen: 7 Roboter Futures]

Aber frisch aus den Fersen von diesem Sieg, Microsoft enthüllt eine KI-System auf Twitter genannt Tay, das entwickelt wurde, um ein 19-Year-Old American Girl zu imitieren. Twitter-Nutzer könnten auf Tay tweet und Microsoft sagte, die KI-System würde lernen aus diesen Interaktionen und schließlich besser mit Menschen zu kommunizieren. Das Unternehmen war gezwungen, den Stecker ziehen auf das Experiment nur 16 Stunden später, nachdem der Chatbot spritzenden rassistische, frauenfeindliche und sexuell explizite Nachrichten gestartet. Die Firma entschuldigte sich ausgiebig, Schuld ein "koordinierten Angriff" auf "Schwachstellen" und "technische Großtaten."

Trotz Microsofts Gebrauch der Sprache, die Schienen darauf hin, dass das System Hackern zum Opfer fiel, sagte AI Experte Bart Selman, Professor für Informatik an der Cornell University, die so genannte "Schwachstelle", dass Tay erschien, Phrasen twitterte es ohne jede Art von Filter zu wiederholen. Es überrascht nicht, waren "Lolz" musste ab der Chatbot, entzündliche Phrasen zu wiederholen, zu viel für einige zu widerstehen.

Selman sagte er ist erstaunt Baujahr: Microsoft nicht ausreichende Sicherheitsvorkehrungen, um solche Fälle zu verhindern, aber er sagte Leben Wissenschaft der Vorfall zeigt eines der modernen AI großen Schwachstellen: Sprachverständnis.

Lehre-AI

AI ist sehr gut im Analysieren von Text — d. h. entwirren die grammatische Muster, die Sprache zu untermauern – Selman sagte, wodurch Chatbots wie Tay menschlich klingende Sätze bilden. Es ist auch, was Google und Skype die beeindruckende Übersetzungsdienste Befugnisse. "Aber das ist eine andere Sache aus Verständnis Semantik – die Bedeutung von Sätzen," fügte er hinzu.

Viele der jüngsten Fortschritte in der AI-Technologie wurden durch einen Ansatz namens Tiefe lernen, die auf einer gewissen Ebene die Art und Weise imitiert, die Schichten von Neuronen im Gehirn Verhalten. Große Teile der Daten gegeben, ist es sehr gut auf die Suche nach Mustern, welches ist, warum viele der seine größten Erfolge im wahrnehmenden Aufgaben wie Bild oder Spracherkennung gewesen. [Eine kurze Geschichte der künstlichen Intelligenz]

Während traditionelle Ansätze für maschinelles Lernen erforderlich, was Sie suchen, um "lernen" erzählt zu werden, ist einer der Hauptvorteile der Tiefe lernen, dass diese Systeme "Feature für automatische Entdeckung," nach Shimon Whiteson, Associate Professor im Department of Computer Science an der University of Oxford.

Die erste Schicht des Netzwerks ist optimiert, um sehr grundlegende Funktionen in den Daten, zum Beispiel den Rand von Objekten in einem Bild zu suchen. Dieser Ausgang ist dann an die nächste Schicht, die scans für komplexere Konfigurationen verfüttert sagen Quadrate oder Kreise. Dieser Vorgang wird wiederholt, bis die Schichten mit jeweils suchen zunehmend aufwendigen Funktionen, so dass durch die Zeit, die das System der höheren Ebenen erreicht, es in der Lage ist, die Strukturen von unteren Schichten erkannt zu verwenden, um Dinge wie ein Auto oder ein Fahrrad zu identifizieren.

"Mit tiefen lernen, können Sie einfach Rohdaten in einigen großen neuronales Netz einfließen, die dann trainiert End-to-End" Whiteson erzählte Leben Wissenschaft.

Große Profite

Dies führte zu einigen übermenschlichen Fähigkeiten. Selman sagte Deep-Learning-Systeme haben gezeigt, dass Fachärzte zur Diagnose von Krankheiten von MRI-Scans zu übertreffen. Kombinieren den Ansatz mit sogenannten Verstärkung lernen, in denen Maschinen Belohnung Signale verwenden, um eine optimale Strategie in schärfen wurde auch erfolgreich mit Aufgaben wo ist es möglich, genaue virtuelle Simulationen zu bauen, sagte Kaheer Suleman, chief Technology Officer und Mitbegründer der kanadischen AI Start Maluuba. Googles Ki-System, genannt AlphaGo, wurde ein Experte von spielen sich millionenfach und mit dieser Kombination von Methoden zu schärfen, ihre Fähigkeiten und Strategien zu entwickeln.

"Die große Herausforderung für AI in Bereichen wo es keine riesige Sammlung von gekennzeichneten Daten, oder wenn die Umgebung gut simuliert werden kann nicht," sagte Suleman. "Sprache ist ein gutes Beispiel dieser Domäne. Das Internet enthält unendlich viele Text, aber nirgends ist seine "Bedeutung" in irgendeiner Maschine verdauliche Form beschriftet."

Maluuba entwickelt Algorithmen, die Text zu lesen und Fragen zu beantworten, aber Suleman sagte, es gibt mehrere Funktionen der Sprache, die dies besonders schwierig machen. Zum einen Sprache ist äußerst komplex – Bedeutung erstreckt sich über mehrere Ebenen, von Wörtern, Phrasen, Sätze. Diese können kombiniert werden, in eine unendliche Anzahl von Möglichkeiten und jeder Mensch anders Sprache verwendet.

Und alle Sprache ist abstrakt; Worte sind einfach Symbole für Dinge in der realen Welt, die eine Maschine nicht oft erfahren.

"Aus der Perspektive des maschinellen Lernens, der Gelehrte System ist nur so gut wie die Daten, die Sie bereitstellen," sagte Whiteson.

Ohne Zugriff auf die Lebensdauer der Daten auf der physischen Welt und der Reichtum der sozialen Interaktionen, die ein Mensch angesammelt hat, es ist wenig überraschend Tay Verstand nicht, was, zum Beispiel der Holocaust ist, geschweige denn warum ist es nicht angebracht, es zu leugnen.

Blick in die Zukunft

Trotz dieser Herausforderungen Maluuba veröffentlicht eine Papier letzten Monat auf ArXiv, ein Online-Repository für Preprint Forschungsarbeiten, beschreiben, wie sein System war in der Lage, Multiple-Choice-Fragen zu unbekannten Text mit mehr als 70 Prozent Genauigkeit übertrifft andere neuronales Netz nähert sich um 15 Prozent und sogar übertreffen handcodierten Ansätze. Der Maluuba Ansatz kombiniert tiefe lernen mit neuronalen Netzwerkstrukturen, entwickelt, um auf eine Art und Weise eine rudimentäre Form der Argumentation dazu führen, dass Wechselwirkungen miteinander interagieren. Das Unternehmen arbeitet auch an gesprochenen Dialogsysteme, die natürliche Gespräche mit Menschen führen zu lernen kann.

Selman sagte Sprache ausgerichteten AI kann überraschend stark für Anwendungen wo ist das Thema ziemlich begrenzt. Zum Beispiel technische Hotlines sind Dinge, die er prognostiziert, könnte bald automatisiert werden (und einige von Ihnen bereits sind, zu einem gewissen Grad), wie relativ senior administrative Aufgaben konnte das Einkochen zu routinemäßigen Interaktionen wie Aktualisieren von Tabellen und formelhaft e-Mails versenden.

"Schwächen in diesen unkontrollierten, sehr offenen Einstellungen, die mehrere Aspekte der menschlichen Intelligenz, sondern auch wirklich zu verstehen, andere Menschen einbeziehen, ausgesetzt sind", sagte Selman.

Aber sicherlich Fortschritte auf diesem Gebiet Whiteson sagte, mit Googles selbstfahrende Auto wird ein Paradebeispiel. Die Straße mit Menschen zu teilen die Maschine zu verstehen, mehr als nur die Regeln der Straße erfordert – es muss auch in der Lage zu folgen unausgesprochene gesellschaftliche Normen und ethischen Dilemmata zu navigieren, wenn Kollisionen zu vermeiden, fügte er hinzu.

Und als Fortschritte in der KI und Robotik Ergebnis in zunehmender Zahl von Maschinen in der realen Welt verwendet wird, ist die Fähigkeit, mit Menschen interagieren nicht mehr einige hochgestecktes Ziel für Science-Fiction-Fans. Forscher sind nun auf der Suche nach neuen Ansätzen, die Maschinen helfen könnte nicht nur wahrnehmen, sondern auch die Welt um sie herum verstehen.

"Deep lernen ist groß, aber es ist keine silberne Kugel," sagte Whiteson. "Es gibt eine Menge Dinge fehlen noch. Und so ist ein natürlicher nächster Schritt, an dem Menschen arbeiten wie können wir hinzufügen Sachen Tiefe lernen, so dass es noch mehr tun kann."

"Jetzt all diese heiklen Fragen, wie es ist wir wollen Maschinen zu tun und wie stellen wir sicher, dass sie tun es sind immer von praktischer Bedeutung also Menschen beginnen, jetzt viel mehr auf sie zu konzentrieren."

Folgen Sie Live Science @livescience , Facebook & Google + .